Aprendizado de máquina na indústria 4.0 : detecção de anomalias em sistemas embarcados e classificação de substâncias
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/48267 |
Resumo: | O controle de qualidade é um aspecto crítico, especialmente no contexto da indústria 4.0. Além de ser uma necessidade para atender aos pré-requisitos funcionais de um determinado produto, a qualidade está intimamente relacionada à segurança, à proteção, e a questões econômicas. Neste trabalho, abordamos dois aspectos específicos de certificação da qualidade no contexto moderno da indústria: detecção de anomalias em sistema eletrônicos embarcados e classificação de substâncias químicas ou biológicas. As soluções abordadas são baseadas em modelos de aprendizado de máquina. Na indústria 4.0, formas tradicionais de teste baseadas em inspeções manuais tornaram-se desatualizadas e ineficientes. Além disso, existe uma demanda por produtos com alto índice de personalização. Isso exige alto grau de flexibilidade nos processos de concepção, de projeto e de testes. São necessárias soluções eficazes e flexíveis que não utilizem pontos de contato físico com o produto testado. Nosso estudo apresenta soluções de teste automatizados e não invasivos. Em relação aos testes de substâncias, tradicionalmente utilizam-se técnicas de espectroscopia, realizadas com espectrômetros. Apesar de ser uma técnica bastante madura, sua limitação são o custo e a complexidade do equipamento. Nós propomos uma alternativa simples, porém eficiente para realizar testes sem o uso de espectrômetros. Para validação, projetamos e construímos protótipos para realização de experimentos. Anomalias são detectadas pela análise de sinais temporais capturados do circuito de forma não invasiva. Os sinais são convertidos em imagens espectrográficas que são analisadas por um modelo de aprendizado de máquina. Para classificação de substâncias, apresentamos uma Prova de Conceito utilizando um sistema de transmissão e recepção ópticas. O sinal transmitido possui forma de onda especialmente projetada para obtenção de máximo desempenho. O sinal detectado é convertido em imagem espectrográfica que é usada por um modelo de aprendizado de máquina que realiza a classificação. Para vários cenários experimentais de validação, a taxa de acerto de detecção de anomalia e de classificação de substâncias chega a 100%. Adicionalmente, apresentamos uma técnica para aumentar o desempenho por meio da transformação dos dados utilizados para treinamento e validação do modelo. A eficácia da técnica é comprovada experimentalmente tanto para detecção de anomalias quanto para classificação de substâncias. |
id |
UFPE_81be4a0ebd95769f61fd269726627972 |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/48267 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
OLIVEIRA, José Paulo Gonçalves dehttp://lattes.cnpq.br/2174091280358934http://lattes.cnpq.br/9745937989094036http://lattes.cnpq.br/4908629814578201BASTOS FILHO, Carmelo José AlbanezOLIVEIRA, Sergio Campello2022-12-16T14:40:42Z2022-12-16T14:40:42Z2022-11-18OLIVEIRA, José Paulo Gonçalves de. Aprendizado de máquina na indústria 4.0: detecção de anomalias em sistemas embarcados e classificação de substâncias. 2022. Tese (Doutorado em Engenharia Elétrica) – Universidade Federal de Pernambuco, Recife, 2022.https://repositorio.ufpe.br/handle/123456789/48267O controle de qualidade é um aspecto crítico, especialmente no contexto da indústria 4.0. Além de ser uma necessidade para atender aos pré-requisitos funcionais de um determinado produto, a qualidade está intimamente relacionada à segurança, à proteção, e a questões econômicas. Neste trabalho, abordamos dois aspectos específicos de certificação da qualidade no contexto moderno da indústria: detecção de anomalias em sistema eletrônicos embarcados e classificação de substâncias químicas ou biológicas. As soluções abordadas são baseadas em modelos de aprendizado de máquina. Na indústria 4.0, formas tradicionais de teste baseadas em inspeções manuais tornaram-se desatualizadas e ineficientes. Além disso, existe uma demanda por produtos com alto índice de personalização. Isso exige alto grau de flexibilidade nos processos de concepção, de projeto e de testes. São necessárias soluções eficazes e flexíveis que não utilizem pontos de contato físico com o produto testado. Nosso estudo apresenta soluções de teste automatizados e não invasivos. Em relação aos testes de substâncias, tradicionalmente utilizam-se técnicas de espectroscopia, realizadas com espectrômetros. Apesar de ser uma técnica bastante madura, sua limitação são o custo e a complexidade do equipamento. Nós propomos uma alternativa simples, porém eficiente para realizar testes sem o uso de espectrômetros. Para validação, projetamos e construímos protótipos para realização de experimentos. Anomalias são detectadas pela análise de sinais temporais capturados do circuito de forma não invasiva. Os sinais são convertidos em imagens espectrográficas que são analisadas por um modelo de aprendizado de máquina. Para classificação de substâncias, apresentamos uma Prova de Conceito utilizando um sistema de transmissão e recepção ópticas. O sinal transmitido possui forma de onda especialmente projetada para obtenção de máximo desempenho. O sinal detectado é convertido em imagem espectrográfica que é usada por um modelo de aprendizado de máquina que realiza a classificação. Para vários cenários experimentais de validação, a taxa de acerto de detecção de anomalia e de classificação de substâncias chega a 100%. Adicionalmente, apresentamos uma técnica para aumentar o desempenho por meio da transformação dos dados utilizados para treinamento e validação do modelo. A eficácia da técnica é comprovada experimentalmente tanto para detecção de anomalias quanto para classificação de substâncias.FACEPEQuality control is a critical aspect, especially in the context of Industry 4.0. In addition to being a necessity to meet the functional prerequisites of a given product, quality is closely related to safety, protection, and economic issues. In this work, we address two specific aspects of quality certification in the modern context of industry: detection of anomalies in embedded electronic systems and classification of chemical or biological substances. The addressed solutions are based on machine learning models. In Industry 4.0, traditional forms of testing based on manual inspections have become outdated and inefficient. In addition, there is a demand for products with a high level of customization. This requires a high degree of flexibility in the conception, design and testing processes. Effective and flexible solutions that do not use physical contact points with the tested product are required. Our study presents automated and non-invasive testing solutions. With regard to classification of substances, traditionally spectroscopy techniques are employed, which is performed with spectrographs. Despite being a very mature technique, its limitations are the cost and complexity of the equipment. We propose a simple but efficient alternative to perform tests without the use of spectrographs. For validation, we design and build prototypes to carry out experiments. Anomalies are detected by analyzing temporal signals captured from the circuit in a non-invasive way. The signals are converted into spectrographic images that are analyzed by the machine learning model. For classification of substances, we present a Proof of Concept using an optical transmission and reception system. The transmitted signal has a specially designed waveform for maximum performance. The detected signal is converted into a spectrographic image that is used by the machine learning model that performs the classification. For several experimental validation scenarios, the accuracy reaches 100%. Additionally, we present a technique to increase performance by transforming the data used for model training and validation. The effectiveness of the technique is experimentally demonstrated both for detecting anomalies and classifying substances.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Engenharia EletricaUFPEBrasilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessEngenharia elétricaTestes automatizadosIndústria 4.0Detecção de anomaliasClassificação de substânciasAprendizado de máquinaAutoencoderAprendizado de máquina na indústria 4.0 : detecção de anomalias em sistemas embarcados e classificação de substânciasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisdoutoradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPEORIGINALTESE José Paulo Gonçalves de Oliveira.pdfTESE José Paulo Gonçalves de Oliveira.pdfapplication/pdf6901059https://repositorio.ufpe.br/bitstream/123456789/48267/1/TESE%20Jos%c3%a9%20Paulo%20Gon%c3%a7alves%20de%20Oliveira.pdf6ba54092e802f5499d95e424cea5f841MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82362https://repositorio.ufpe.br/bitstream/123456789/48267/3/license.txt5e89a1613ddc8510c6576f4b23a78973MD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/48267/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52TEXTTESE José Paulo Gonçalves de Oliveira.pdf.txtTESE José Paulo Gonçalves de Oliveira.pdf.txtExtracted texttext/plain262325https://repositorio.ufpe.br/bitstream/123456789/48267/4/TESE%20Jos%c3%a9%20Paulo%20Gon%c3%a7alves%20de%20Oliveira.pdf.txt287e7f33efe0291aa7249234c23a7fe9MD54THUMBNAILTESE José Paulo Gonçalves de Oliveira.pdf.jpgTESE José Paulo Gonçalves de Oliveira.pdf.jpgGenerated Thumbnailimage/jpeg1226https://repositorio.ufpe.br/bitstream/123456789/48267/5/TESE%20Jos%c3%a9%20Paulo%20Gon%c3%a7alves%20de%20Oliveira.pdf.jpgcd38da815072e8e1b32752e7198b33a4MD55123456789/482672022-12-17 02:25:11.69oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212022-12-17T05:25:11Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Aprendizado de máquina na indústria 4.0 : detecção de anomalias em sistemas embarcados e classificação de substâncias |
title |
Aprendizado de máquina na indústria 4.0 : detecção de anomalias em sistemas embarcados e classificação de substâncias |
spellingShingle |
Aprendizado de máquina na indústria 4.0 : detecção de anomalias em sistemas embarcados e classificação de substâncias OLIVEIRA, José Paulo Gonçalves de Engenharia elétrica Testes automatizados Indústria 4.0 Detecção de anomalias Classificação de substâncias Aprendizado de máquina Autoencoder |
title_short |
Aprendizado de máquina na indústria 4.0 : detecção de anomalias em sistemas embarcados e classificação de substâncias |
title_full |
Aprendizado de máquina na indústria 4.0 : detecção de anomalias em sistemas embarcados e classificação de substâncias |
title_fullStr |
Aprendizado de máquina na indústria 4.0 : detecção de anomalias em sistemas embarcados e classificação de substâncias |
title_full_unstemmed |
Aprendizado de máquina na indústria 4.0 : detecção de anomalias em sistemas embarcados e classificação de substâncias |
title_sort |
Aprendizado de máquina na indústria 4.0 : detecção de anomalias em sistemas embarcados e classificação de substâncias |
author |
OLIVEIRA, José Paulo Gonçalves de |
author_facet |
OLIVEIRA, José Paulo Gonçalves de |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/2174091280358934 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/9745937989094036 |
dc.contributor.advisor-coLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/4908629814578201 |
dc.contributor.author.fl_str_mv |
OLIVEIRA, José Paulo Gonçalves de |
dc.contributor.advisor1.fl_str_mv |
BASTOS FILHO, Carmelo José Albanez |
dc.contributor.advisor-co1.fl_str_mv |
OLIVEIRA, Sergio Campello |
contributor_str_mv |
BASTOS FILHO, Carmelo José Albanez OLIVEIRA, Sergio Campello |
dc.subject.por.fl_str_mv |
Engenharia elétrica Testes automatizados Indústria 4.0 Detecção de anomalias Classificação de substâncias Aprendizado de máquina Autoencoder |
topic |
Engenharia elétrica Testes automatizados Indústria 4.0 Detecção de anomalias Classificação de substâncias Aprendizado de máquina Autoencoder |
description |
O controle de qualidade é um aspecto crítico, especialmente no contexto da indústria 4.0. Além de ser uma necessidade para atender aos pré-requisitos funcionais de um determinado produto, a qualidade está intimamente relacionada à segurança, à proteção, e a questões econômicas. Neste trabalho, abordamos dois aspectos específicos de certificação da qualidade no contexto moderno da indústria: detecção de anomalias em sistema eletrônicos embarcados e classificação de substâncias químicas ou biológicas. As soluções abordadas são baseadas em modelos de aprendizado de máquina. Na indústria 4.0, formas tradicionais de teste baseadas em inspeções manuais tornaram-se desatualizadas e ineficientes. Além disso, existe uma demanda por produtos com alto índice de personalização. Isso exige alto grau de flexibilidade nos processos de concepção, de projeto e de testes. São necessárias soluções eficazes e flexíveis que não utilizem pontos de contato físico com o produto testado. Nosso estudo apresenta soluções de teste automatizados e não invasivos. Em relação aos testes de substâncias, tradicionalmente utilizam-se técnicas de espectroscopia, realizadas com espectrômetros. Apesar de ser uma técnica bastante madura, sua limitação são o custo e a complexidade do equipamento. Nós propomos uma alternativa simples, porém eficiente para realizar testes sem o uso de espectrômetros. Para validação, projetamos e construímos protótipos para realização de experimentos. Anomalias são detectadas pela análise de sinais temporais capturados do circuito de forma não invasiva. Os sinais são convertidos em imagens espectrográficas que são analisadas por um modelo de aprendizado de máquina. Para classificação de substâncias, apresentamos uma Prova de Conceito utilizando um sistema de transmissão e recepção ópticas. O sinal transmitido possui forma de onda especialmente projetada para obtenção de máximo desempenho. O sinal detectado é convertido em imagem espectrográfica que é usada por um modelo de aprendizado de máquina que realiza a classificação. Para vários cenários experimentais de validação, a taxa de acerto de detecção de anomalia e de classificação de substâncias chega a 100%. Adicionalmente, apresentamos uma técnica para aumentar o desempenho por meio da transformação dos dados utilizados para treinamento e validação do modelo. A eficácia da técnica é comprovada experimentalmente tanto para detecção de anomalias quanto para classificação de substâncias. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-12-16T14:40:42Z |
dc.date.available.fl_str_mv |
2022-12-16T14:40:42Z |
dc.date.issued.fl_str_mv |
2022-11-18 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
OLIVEIRA, José Paulo Gonçalves de. Aprendizado de máquina na indústria 4.0: detecção de anomalias em sistemas embarcados e classificação de substâncias. 2022. Tese (Doutorado em Engenharia Elétrica) – Universidade Federal de Pernambuco, Recife, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/48267 |
identifier_str_mv |
OLIVEIRA, José Paulo Gonçalves de. Aprendizado de máquina na indústria 4.0: detecção de anomalias em sistemas embarcados e classificação de substâncias. 2022. Tese (Doutorado em Engenharia Elétrica) – Universidade Federal de Pernambuco, Recife, 2022. |
url |
https://repositorio.ufpe.br/handle/123456789/48267 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.publisher.program.fl_str_mv |
Programa de Pos Graduacao em Engenharia Eletrica |
dc.publisher.initials.fl_str_mv |
UFPE |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/48267/1/TESE%20Jos%c3%a9%20Paulo%20Gon%c3%a7alves%20de%20Oliveira.pdf https://repositorio.ufpe.br/bitstream/123456789/48267/3/license.txt https://repositorio.ufpe.br/bitstream/123456789/48267/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/48267/4/TESE%20Jos%c3%a9%20Paulo%20Gon%c3%a7alves%20de%20Oliveira.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/48267/5/TESE%20Jos%c3%a9%20Paulo%20Gon%c3%a7alves%20de%20Oliveira.pdf.jpg |
bitstream.checksum.fl_str_mv |
6ba54092e802f5499d95e424cea5f841 5e89a1613ddc8510c6576f4b23a78973 e39d27027a6cc9cb039ad269a5db8e34 287e7f33efe0291aa7249234c23a7fe9 cd38da815072e8e1b32752e7198b33a4 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310826357424128 |